基于MATLAB的神经网络的仿真

1、智能控制基于MATLAB的神经网络的仿真学 院：姓 名：学 号：年 级：学 科： 检测技术与自动化装置日 期：一. 引言人工神经网络以其具有信息的分布存储、并行处理以及自学习能力等优点，已经在模式识别、信号处理、智能控制及系统建模等领域得到越来越广泛的应用。 MATLAB中的神 经网络工具箱是以人工神经网络理论为基础,利用MATLAB语言构造出许多典 型神经网络的传递函数、网络权值修正规则和网络训练方法，网络的设计者可根 据自己的需要调用工具箱中有关神经网络的设计与训练的程序 ，免去了繁琐的 编程过程。二. 神经网络工具箱函数最新版的MATLAB神经网络工具箱为Version4.0.3, 它几

2、乎涵盖了所有的神 经网络的基本常用类型，对各种网络模型又提供了各种学习算法， 我们可以根据 自己的需要调用工具箱中的有关设计与训练函数， 很方便地进行神经网络的设计 和仿真。目前神经网络工具箱提供的神经网络模型主要用于：1. 数逼近和模型拟合；2. 信息处理和预测；3. 神经网络控制；4. 故障诊断。神经网络工具箱提供了丰富的工具函数，其中有针对某一种网络的，也有通 用的，下面列表中给出了一些比较重要的工具箱函数。A I种外网络I从阳通用曲啟甫數用谨神经网琳仿歲函数sin针对给定输入紺到綸出神绘崗辯训练甫数trains调用英他训嫌歯垃.对网络进行训蠅t FiRiinb对权價和闽伯进廿训练ada

3、ipt神经网济学leamp权值和呦僮学习leainpn丽睾习函数初始化甬数revert樽权值和阈田恢臭至滋嘉 次初始比时的仇init对网缩征行啊始化|initlayini tw用4鞘准则对层初始化ihitvb用折宦函数对层初始忧恤1函戢hardiImhard)ims对粽处限帕函数三. 仿真实例BP网络是一种多层前馈神经网络，由输入层、隐层和输出层组成。BP网络模型结构见图1。网络同层节点没有任何连接，隐层节点可以由一个或多个。网 络的学习过程由正向和反向传播两部分组成。 在正向传播中，输入信号从输入层 节点经隐层节点逐层传向输出层节点。每一层神经元的状态只影响到下一层神经 元网络，如输出层不能

4、得到期望的输出，那么转入误差反向传播过程，将误差信 号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去 进行计算，在经正向传播过程，这两个过程反复运用，使得误差信号最小或达到人们所期望的要求时，学习过程结束中间层 输出层图BP网络模型利用神经网络工具箱进行设计和仿真的具体步骤：1. 确定信息表达方式：将实际问题抽象成神经网络求解所能接受的数据形 式；2. 确定网络模型：选择网络的类型、结构等；3. 选择网络参数：如神经元数，隐含层数等；4. 确定训练模式：选择训练算法，确定训练步数，指定训练目标误差等；5. 网络测试：选择合适的训练样本进行网络测试。F面给出一个利用BP神经

5、网络进行函数逼近的例子。第一步问题的提出设计一个简单的BP网络，实现对非线性函数的逼近，通过改变BP网络的隐层神经元的数目，采用不同的训练方法来观察训练时间和训练误差的变化情 况。假设将要将要逼近的函数为正弦函数，其频率参数N=1,绘制此函数见图2所 示。N=1;p= -1:0.05:1;t=s in (N*pi*p);%假设N=1，绘制此函数曲线plot (p,t,'r*')title ('要逼近的非线性函数)xlabel ('时间');第二步网络建立应用newf () 建立两层的BP网络，隐层神经元数目可以改变，此时S=8， 输出层一个神经元，隐层和

6、输出层的传递函数分别为tan sig和purelin ，学习 算法采用Leve nberg - Marquadt ( train Im)。用sim() 观察初始化网络输出如图3所示。S=8;net=newff (minmax (p) , S,1 , 'tansig', 'purelin' , 'trainlm' );y1=sim (n et,p);figure;plot (p,t,'r* ',p,y1,'b-')title ('未训练网络的输出结果)xlabel ('时间');ylabel

7、('仿真输出-原函数*');lege nd ('要逼近的非线性函数，未训练网络的输出结果')第一步要追近的非銭性国数1 L *OS+ + + -06-+ + * -04-+ *02r+ *N0.2*F+1.4-+ +-0.6-* + «-0.8+ +辛*-1+ +1t山占卞1I1I11-O.B -0E-0 4-0.200.20.40.60.81时间图2要逼近的非线性函数(第二步未训练网络的输出结果5 1 5 0 5 1 5- - -1 o O 1- -图3未训练时网络的输出结果第三步网络训练示。将训练时间设为10，精度为0.001，用train ()进

8、行训练，误差曲线见图4所n et.tra in Param.epochs=10;n et.trai nParam.goal=0.001;n et1 = train (n et,p,t)Heural Vrtvork T rainine (nnt rnintool)9)£ui-<1 He tv o<rkIjyL*.y»irMi gfrT h tlvk 5-Tr Uni "畧UvJberj-Mrquar itFerfrmuicb：川eturErrorFr««£sEpochTime：Graditni:rh&ckE：Plot

9、sP4：rEorn-utcsTrains ng St at aElecr»5LonPlot Initrv-sl：1 epcchxF rf f «rm vnUEE-4111Best Training Performance is Nahl at epochs10窗5 旦 mujp 岂 Bg-s UEB|A|1010$.10.5图4训练过程图 第四步网络测试用sim()观察训练后的网络输出如图5所示。y2 = sim (n et1,p)figure;plot (p,t,'r* ',p,y1,'b- ',p,y2, 'ko')tit

10、le ('训练后网络的输岀结果)xlabel ('时间');ylabel ('仿真输岀')lege nd ('要逼近的非线性函数,'未训练网络的输岀结果，训练后网络的输岀结果')图5训练后网路的输出结果从图5可以看出经过很短时间的训练后BP网络很好的逼近了非线性函数。讨论：1. 改变非线性函数的频率，即改变N的值时发现，网络的训练时间会长些， 逼近效果要差些。2. 改变隐层的神经元数目对网络的逼近效果也有影响，一般来说，隐层的 神经元数目越多，则BP网络逼近非线性函数能力越强，但也并非隐层的神 经元数目越多，网络性能就越好，而同时

11、训练时间有所增长。3. 采用不同的训练函数，对本例采用三种训练方法，即Levenberg-Marquadt(trainlm)、剃度下降动量法(traingdx )、普通剃度下降法(traingd ), 通过比较发现Levenberg - Marquadt ( trainlm)训练速度最快，误差也较小，剃度下降动量法(traingdx )次之，普通剃度下降法(traingd )最差。四. 结论MATLAB神经网络工具箱功能强大,它提供了许多有关神经网络设计、训练 和仿真的函数，我们只要根据需要调用相关函数，就能方便进行神经网络设计与 仿真，从而免除了编写复杂而庞大的算法程序的困扰， 可以很容易的调整各项参 数，实现对神经网络的设计和仿真，为我们的工程应用